# Data Modeling (Data Analytics) > Sternschema, Fakten- und Dimensionstabellen, Normalisierung, Denormalisierung, SCD, Granularität - 20 Interview-Fragen - Mid-Level - [Interview-Fragen: Data Analytics](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen.md) ## 1. Was ist ein Star Schema im Data Modeling? **Antwort** Das Star Schema ist eine dimensionale Modellierungsarchitektur, bei der eine zentrale Fact Table von direkt verbundenen Dimension Tables umgeben ist. Diese Struktur vereinfacht analytische Abfragen und optimiert die Leistung, indem sie mehrere Joins zwischen Dimensionen vermeidet. Der Name stammt von der visuellen Form des Diagramms, bei dem die zentrale Fact Table dem Körper eines Sterns und die Dimensionen den Zweigen ähneln. ## 2. Welche Rolle spielt eine Fact Table in einem dimensionalen Modell? **Antwort** Die Fact Table speichert quantitative Kennzahlen (Umsatz, verkaufte Menge, Anzahl der Klicks) und Fremdschlüssel zu Dimension Tables. Sie repräsentiert Geschäftsereignisse oder Transaktionen. Jede Zeile entspricht einem messbaren Ereignis auf einer definierten Granularitätsebene. Die numerischen Spalten (Measures) sind die Daten, die Analysten in ihren Abfragen aggregieren. ## 3. Was ist eine Dimension Table in einem dimensionalen Modell? **Antwort** Eine Dimension Table enthält beschreibende Attribute, die die Kennzahlen in der Fact Table qualifizieren. Zum Beispiel enthält eine Produkt-Dimension den Namen, die Kategorie, die Marke und den Stückpreis. Dimensionen ermöglichen das Filtern, Gruppieren und Aufteilen von Daten während der Analyse. Sie werden typischerweise denormalisiert, um Abfragen zu vereinfachen und zusätzliche Joins zu vermeiden. ## 17 weitere Fragen verfügbar - Was ist die Granularität (Grain) einer Fact Table? - Was ist der Unterschied zwischen einer additiven und einer semi-additiven Kennzahl? Kostenlos registrieren: https://sharpskill.dev/de/login ## Weitere Data Analytics-Interviewthemen - [Google Sheets - Grundlagen](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/google-sheets-basics.md): 20 Fragen, Junior - [Google Sheets - Erweiterte Formeln](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/google-sheets-advanced.md): 20 Fragen, Junior - [SQL - Grundlagen](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/sql-basics.md): 25 Fragen, Junior - [SQL - Aggregationen und Gruppierungen](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/sql-aggregations.md): 20 Fragen, Junior - [SQL - Joins](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/sql-joins.md): 20 Fragen, Junior - [BigQuery - Grundlagen](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/bigquery-fundamentals.md): 20 Fragen, Junior - [Data Cleaning - Datenbereinigung](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/data-cleaning.md): 20 Fragen, Junior - [KPIs und Business-Metriken](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/kpis-metrics.md): 20 Fragen, Junior - [Deskriptive Statistik](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/descriptive-statistics.md): 20 Fragen, Junior - [Zapier und No-Code-Automatisierung](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/zapier-automation.md): 20 Fragen, Junior - [Grundlagen der Datenvisualisierung](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/data-viz-principles.md): 20 Fragen, Junior - [Python & Pandas - Grundlagen](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/python-pandas-basics.md): 20 Fragen, Junior - [Google Sheets - Automatisierte Dashboards](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/google-sheets-dashboards.md): 20 Fragen, Mid-Level - [SQL - Unterabfragen und CTEs](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/sql-subqueries-ctes.md): 20 Fragen, Mid-Level - [SQL - Window Functions](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/sql-window-functions.md): 20 Fragen, Mid-Level - [BigQuery - Erweiterte Funktionen](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/bigquery-advanced.md): 20 Fragen, Mid-Level - [Funnel- und Conversion-Analyse](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/funnel-analysis.md): 20 Fragen, Mid-Level - [Kohorten- und Retention-Analyse](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/cohort-retention.md): 20 Fragen, Mid-Level - [Google Tag Manager und Tracking](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/gtm-tracking.md): 20 Fragen, Mid-Level - [APIs und Webhooks](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/apis-webhooks.md): 20 Fragen, Mid-Level - [dbt - Grundlagen](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/dbt-fundamentals.md): 20 Fragen, Mid-Level - [AB-Testing und angewandte Statistik](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/ab-testing.md): 20 Fragen, Mid-Level - [Looker Studio (Google Data Studio)](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/looker-studio.md): 20 Fragen, Mid-Level - [Power BI - Grundlagen](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/power-bi-fundamentals.md): 20 Fragen, Mid-Level - [SQL - Erweiterte analytische Abfragen](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/sql-advanced-analytics.md): 20 Fragen, Senior - [dbt - Erweiterte Funktionen](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/dbt-advanced.md): 20 Fragen, Senior - [Power BI - DAX und fortgeschrittene Dashboards](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/power-bi-dax.md): 20 Fragen, Senior - [Python Analytics - Erweiterte Analyse und ML](https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/python-analytics-advanced.md): 20 Fragen, Senior --- Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack. HTML version of this page: https://sharpskill.dev/de/technologies/data-analytics/interviewfragen/data-modeling